[论文解读] Interval Neutrosophic Logics: Theory and Applications

Haibin Wang, Florentín Smarandache+2 more|ArXiv.org|Oct 21, 2004

Multi-Criteria Decision Making参考文献 17被引用 64

一句话总结

本文提出区间中性逻辑作为统一框架，通过使用区间值显式建模真值度、不确定度和假值度，扩展了模糊逻辑、直觉模糊逻辑和偏执逻辑。该文形式化了区间中性命题演算与谓词演算，并通过一个区间中性逻辑系统（INLS）展示了其在近似推理中的应用，实现了对现实世界应用中不精确、不完整和不一致信息的稳健处理，如医学信息学和决策系统。

ABSTRACT

In this paper, we present the interval neutrosophic logics which generalizes the fuzzy logic, paraconsistent logic, intuitionistic fuzzy logic and many other non-classical and non-standard logics. We will give the formal definition of interval neutrosophic propositional calculus and interval neutrosophic predicate calculus. Then we give one application of interval neutrosophic logics to do approximate reasoning.

研究动机与目标

• 开发一种形式化逻辑系统，通过整合真值度、不确定度和假值度，统一模糊逻辑、直觉模糊逻辑和偏执逻辑。
• 解决现有逻辑系统在无法处理不一致或不完整信息而不导致逻辑平凡化方面的局限性。
• 提出一个形式化框架，用于区间中性命题演算与谓词演算，其隶属度为区间值。
• 设计并展示一个用于不确定环境中近似推理的区间中性逻辑系统（INLS）。
• 实现在医学信息学、生物信息学和网络智能等不确定性与不一致性普遍存在的领域中的实际应用。

提出的方法

• 使用三个区间值函数定义区间中性集：真值隶属度 $[T^L, T^U]$，不确定度隶属度 $[I^L, I^U]$，假值隶属度 $[F^L, F^U]$，每个均在 $[0,1]$ 范围内。
• 形式化区间中性命题演算，包含在区间值真值度、不确定度度和假值度上的逻辑连接词与运算。
• 将框架扩展至一阶区间中性谓词演算，以支持量化与变量绑定。
• 提出一种中性推理机制，通过加权组合合成真值度：$T_{\bar{B}}(y) = aT'_{\tilde{B}}(y) + b(1 - F'_{\tilde{B}}(y)) + cI'_{\tilde{B}}(y)/2 + d(1 - I'_{\tilde{B}}(y)/2)$，其中 $a+b+c+d=1$。
• 通过重心法实现去中性化：$dn(T_{\bar{B}}(y)) = \frac{\int_{\alpha}^{\beta} T_{\bar{B}}(y)y\,dy}{\int_{\alpha}^{\beta} T_{\bar{B}}(y)\,dy}$，将中性输出转换为清晰值。
• 将系统集成至五阶段 INLS 流程中：中性化、中性规则库、中性推理、类型简化与去中性化。

实验结果

研究问题

• RQ1 如何形式化一种逻辑系统，以同时以区间值形式表示真值度、不确定度和假值度？
• RQ2 区间中性逻辑能否统一现有的逻辑系统，如模糊逻辑、直觉模糊逻辑和偏执逻辑？
• RQ3 如何处理不一致或矛盾信息而不导致逻辑平凡化？
• RQ4 在包含不完整、不精确和不一致数据的系统中，是否存在一种稳健的近似推理方法？
• RQ5 如何在现实应用中实现并验证区间中性逻辑系统，如决策系统和医学信息学？

主要发现

• 区间中性命题演算与谓词演算的正式定义提供了一个全面的逻辑框架，该框架广义化了模糊逻辑、直觉模糊逻辑和偏执逻辑。
• 所提出的区间中性逻辑系统（INLS）成功处理了不精确、不完整和不一致的信息，且未导致逻辑平凡化。
• 合成函数 $T_{\bar{B}}(y) = aT'_{\tilde{B}}(y) + b(1 - F'_{\tilde{B}}(y)) + cI'_{\tilde{B}}(y)/2 + d(1 - I'_{\tilde{B}}(y)/2)$ 有效将真值、不确定度和假值成分组合为单一真值度，并支持可调权重。
• 采用重心法的去中性化过程产生一个保持中性系统语义意义的清晰输出值。
• INLS 架构——中性化、规则库、推理、类型简化与去中性化——为不确定环境中的实时近似推理提供了完整流程。
• 该框架适用于医学信息学、生物信息学和网络智能等多样化领域，其中不确定性与不一致性是固有特征。